变化检测是分析拍摄于不同时期相同位置的图像,从而得到图像中物体变化情况的一项任务。变化检测任务通常作为其他任务的一项前置工作,在检测农耕用地面积变化、自然灾害情况和军事演习对敌毁伤情况等众多领域有着广泛应用和深远影响。当前,变化检测任务仍存在着诸多富有挑战、亟待解决的问题。例如,由于拍摄角度和人工配准带来的误差问题、图像中的相关变化和不相关变化难以区分的问题、所预测的变化区域存在的边缘不规则的问题,以及变化检测任务中存在的样本不均衡的问题等。本文提出了一些相应的解决方案以尝试在一定程度上缓解甚至解决这些问题。本文提出了一个基于图像配准和类注意力机制的变化检测网络,并将变化检测网络中所用到的固定阈值分割算法改进为自动阈值分割算法,并在WHU、Google和TSUNAMI这三个数据集上开展了相关实验以验证模型的效果。为了解决由于拍摄角度和人工配准所带来的误差,我们为传统的变化检测网络增加了一个图像配准模块。通过增加一步图像配准的预处理操作,让图像能够更好地对齐,从而让变化检测任务能够更容易地进行。实验结果表明,图像配准模块的加入在一定程度上解决了拍摄角度和人工对齐带来的误差,并且数据集图像之间配准误差越严重效果越明显。为了区分图像中的相关变化和无关变化,在注意力机制的启发下,我们引入了类注意力模块。类注意力模块可以发掘输入图像自身携带的信息,我们认为两张输入图像之间差异小的区域,其发生变化的概率也小,反之越大。由此,我们就可以通过对输入图像进行简单处理,得到一张注意力权重图,让网络忽略发生变化概率小的区域,从而更好地区分图像中的相关变化和无关变化。对于预测的变化区域不规则的问题,我们使用了自动阈值分割算法来代替常见的固定阈值分割算法。自动阈值分割算法考虑到了同一数据集下不同图像之间的差异性,对每一张图像都单独计算一个最佳的分割阈值,让变化检测网络更具泛化能力的同时也缓解了预测变化区域不规则的问题。我们还采用了在FL（Focus Loss）损失函数基础上改进而来的CDL（Change Detection Loss）损失函数来解决样本不均衡的问题。CDL损失函数可以根据正负样本,以及难易样本之间的比例来调整它们对损失函数影响的权重,从而缓解了样本不均衡问题。本文提出的几个创新点在变化检测任务中是通用的,本文的研究拓展了研究思维,让变化检测问题的解决更具可能性,对变化检测任务的研究有着重要的参考和借鉴意义。